fedpool
Extraction de piscines sur la base d’images aériennes
Plan
Introduction
Littérature liée
Données / Méthodologie
Pratique
Résultats
Conclusion
Introduction
Avec le changement climatique, l’usage de l’eau en été devient un enjeu croissant
Les piscines (privées) sont souvent au cœur des débats
Introduction
Il n’y a pas de données centralisées en Suisse
Les piscines sont régies par le droit des constructions
Les données communales ne sont pas publiques (quand elles existent…)
Introduction
Nouvelles méthodes et données à disposition
Littérature liée
Séminaire basé sur deux “papiers”
Foncier innovant
Direction générale des Finances publiques. (2022). L’intelligence artificielle au service de la lutte contre la fraude : Bilan de l’expérimentation « Foncier innovant » (p. 9). https://www.impots.gouv.fr/sites/default/files/media/2_actu/home/2022/dp_foncier_innovant.pdf
Après une expérimentation dans 9 départements, plus de 20’000 piscines non déclarées ont été détectées
Recettes fiscales estimées à 10M € supplémentaires dans ces départements
Foncier innovant
Le projet a coûté 24M € sur 3 ans et devrait rapporter 40M € en une année pour la France (métropolitaine)
Peu de détails techniques si ce n’est que l’administration est accompagnée dans la mise en place, mais qu’elle garde la propriété intellectuelle des modèles
Utilisation uniquement des images aériennes publiques de l’IGN (sur un cloud)
Foncier innovant
![]()
Exemple de piscine détectée en France
Sánchez San Blas, H., Carmona Balea, A., Sales Mendes, A., Silva, L. A., & Villarrubia González, G. (2023). A Platform for Swimming Pool Detection and Legal Verification Using a Multi-Agent System and Remote Image Sensing. International Journal of Interactive Multimedia and Artificial Intelligence, 8(4), 153. https://doi.org/10.9781/ijimai.2023.01.002
Améliorer un processus manuel (!) afin de détecter le 20% de piscines en Espagne qui ne seraient pas déclarées
Comparaison de différentes sources et architectures de modèles
Comparaison de 3 modèles de détection :
YOLO obtient les meilleurs résultats dans le cas d’usage
YOLO est une architecture visant à accomplir de la détection d’image
Cela consiste à identifier l’emplacement des “objets” et à leur attribuer une classe
YOLO est un single-stage object detector, les objets et classes sont attribués pour l’image entière, elle ne passe donc qu’une fois dans le modèle
![]()
Exemple du workflow YOLO (Sánchez San Blas et al., 2023)
La tâche à effectuer est de la détection de classe unique (piscine)
Le jeu de données d’entraînement est composé de 999 images (799 train | 200 test) pour 2300 piscines (1892 | 408)
Métriques d’évaluation
Précision = \(\frac{TP}{TP + FP}\)
Recall = \(\frac{TP}{TP + FN}\)
F1 = \(2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}\)
La vitesse en FPS
La mean average precision (mAP) (courbe de précision et recall en fonction de la confiance dans la détection)
L’Intersection over Union (IoU) (chevauchement des bounding boxes / la surface de leur union)
![]()
Calcul d’IoU (https://pyimagesearch.com, 2016)
Le reste de l’article contient la description du système dans lequel s’intègre la détection
Les conclusions sont que le modèle YOLOv4 est le plus approprié et que des ajustements peuvent être fait selon l’objectif à atteindre
Monter le seuil de confiance à 25% au lieu de 10% pour améliorer la précision et utiliser des images plus précises malgré le temps de calcul plus important
Données
swissIMAGE 10cm de swisstopo
Disponible pour toute la Suisse
2 résolutions 0.1 et 2 mètres
Données
![]()
Extrait de Plan-les-Ouates, 0.1m, © swisstopo
img2
Conclusion
Introduction au traitement d’image
